Le tecniche di intelligenza artificiale si stanno dimostrando un valido supporto nel contenimento di un problema globale complesso come quello della sicurezza alimentare.
La sicurezza alimentare è una sfida globale che riflette la capacità di individui, famiglie e comunità di avere accesso a cibo sufficiente, economicamente sostenibile e nutriente, che soddisfi le loro esigenze dietetiche e culturali per una vita sana e attiva.
Oggi il senso di sfida che si collega a questa tematica è amplificato dalla concomitanza di una serie di fattori che incidono sia a livello globale, sia a livello locale: conflitti, crisi economiche, eventi climatici estremi, aumento delle disuguaglianze sociali e socio-economiche, tutti contribuiscono ad acuire un senso di incertezza.
Questi “grandi motori” dell’insicurezza alimentare, come identificati dall’Organizzazione delle Nazioni Unite per l’Alimentazione e l’Agricoltura, sono esacerbati da fattori individuali e comunitari quali bassi livelli di istruzione, reti sociali deboli, limitato capitale sociale, basso reddito familiare e disoccupazione.
C’è un combinato disposto di cause e concause che non fa che mettere in luce l’estrema fragilità del sistema alimentare globale.
Non è un tema nuovo. Già nel 1973 Horst Rittel e Melvin Webber dell’Università di Berkley annoverarono proprio la sicurezza alimentare tra i cosiddetti “wicked problems”, problemi del mondo reale caratterizzati da complessità, contraddizioni e requisiti in evoluzione che li rendono difficili, se non impossibili, da risolvere definitivamente. Ogni problema “wicked” può essere considerato sintomo di altri problemi ed è suscettibile di molteplici approcci e soluzioni possibili.
Dunque, la natura intrinsecamente complessa e mutevole dell’insicurezza alimentare richiede soluzioni che siano flessibili, adattabili e capaci di evolversi con le condizioni del mondo reale.
Nel contesto di questa crescente insicurezza alimentare globale, l’intelligenza artificiale (IA), con la sua capacità di analizzare grandi set di dati complessi, identificare schemi e tendenze difficili o impossibili da rilevare umanamente, e simulare scenari di causa ed effetto complessi e interconnessi su vasta scala, si posiziona in modo unico per offrire soluzioni innovative.
L’IA, in particolare attraverso l’apprendimento automatico predittivo e gli LLM (Large Language Models), viene già utilizzata, ad esempio, in applicazioni previsionali che riguardano i rendimenti delle colture, per valutare le potenziali interruzioni della catena di approvvigionamento, analizzare l’impatto dei cambiamenti climatici sulla produzione agricola e ottimizzare i rendimenti delle colture a livello di azienda agricola.
Sono molti i ricercatori che vedono nell’AI un forte potenziale nel contribuire significativamente, negli anni a venire, all’aumento della resilienza economica e ambientale del sistema alimentare globale: i digital twins alimentati dall’IA e da dati metereologici sempre più ricchi e completi potrebbero supportare lo sviluppo di nuovi strumenti decisionali, di sistemi adattivi per il monitoraggio e la gestione delle reti logistiche e della catena di approvvigionamento, modelli di previsione meteorologica a medio e lungo termine e strumenti automatizzati di allerta precoce per eventi meteorologici estremi.
Takeaway
Sicurezza alimentare, l’impatto sulla salute pubblica
Per capire l’effettiva portata del tema, bastano alcuni dati resi noti dall’Organizzazione Mondiale della Sanità (OMS), secondo i quali, ogni anno, le malattie trasmesse da alimenti causano 600 milioni di casi e 420.000 decessi, oltre alla perdita di 33 milioni di anni di vita per disabilità.
Nonostante gli sforzi, i progressi nella riduzione delle malattie di origine alimentare sono limitati, con tassi di infezione che rimangono stabili in molti Paesi, inclusi gli Stati Uniti, che non hanno raggiunto gli obiettivi di riduzione previsti.
La sfida nel combattere le malattie di origine alimentare deriva da fattori quali la mancanza di sistemi di sorveglianza adeguati in molti Paesi, l’estrema diversità del sistema di approvvigionamento alimentare e la varietà di agenti patogeni, con differenti modi di trasmissione e fonti di contaminazione.
Sicurezza alimentare: il ruolo dell’intelligenza artificiale
È la stessa OMS che ha riconosciuto l’importanza della sorveglianza delle malattie di origine alimentare, sottolineando la necessità di migliorare i sistemi di sorveglianza e l’interpretazione dei dati.
In questo contesto, l’intelligenza artificiale emerge come uno strumento promettente per rafforzare la sicurezza alimentare, grazie alle sue capacità di migliorare l’analisi dei dati e le previsioni, offrendo nuove strategie per il controllo degli agenti patogeni di origine alimentare.
Nello studio intitolato “How can AI improve Food Safety”, pubblicato lo scorso anno su Annual Review of Food Science and Technology e a firma di C. Qian, S.I. Murphy, R.H. Orsi e M. Wiedmann della Cornell University, nello Stato di New York, si sostiene che gli strumenti basati sull’intelligenza artificiale rappresentino un metodo efficace per identificare anticipatamente i periodi e le aree a rischio elevato di contaminazione alimentare o di presenza di patogeni.
Questa affermazione sarebbe suffragata da una serie di studi che hanno impiegato variabili predittive per determinare il rischio di contaminazione delle acque utilizzate in agricoltura e la presenza di patogeni nelle aree di coltivazione.
Nel contesto della gestione delle supply chain nel settore agroalimentare, l’utilizzo dell’IA può migliorare le decisioni relative al trattamento e alla raccolta dell’acqua, apportando benefici anche alla salute pubblica.
Per esempio, le proiezioni fornite dai modelli AI possono guidare un incremento della frequenza dei controlli o degli interventi in specifici momenti e luoghi, basandosi sulla previsione di un rischio aumentato di contaminazione. Inoltre, l’intelligenza artificiale offre potenziali vantaggi nell’affinamento della previsione dei rischi microbiologici legati alla sicurezza degli alimenti.
Un esempio è lo studio sulla diagnostica del COVID-19 tramite qPCR (reazione a catena della polimerasi quantitativa), che ha evidenziato come l’IA possa integrare i risultati della PCR con dati completamente differenti (come le immagini TC – Tomografia Computerizzata) per incrementare l’accuratezza diagnostica.
Applicando un approccio simile nel settore alimentare, si potrebbero combinare i dati della qPCR, utilizzati per identificare i patogeni, con altre informazioni relative al medesimo campione (ad esempio, la torbidità dell’acqua, il pH) per rafforzare il riconoscimento dei patogeni nelle materie prime.
Un’applicazione specifica: l’algoritmo YOLO
Tra quelli più interessanti, che vedono l’AI nelle sue diverse declinazioni al servizio della sicurezza alimentare, lo studio condotto dalla UC Davis ha messo in luce come l’AI, combinata con l’imaging ottico, possa identificare con precisione e velocità batteri nocivi nei cibi. Utilizzando un algoritmo chiamato You Only Look Once (YOLO,versione 4), questo metodo si è dimostrato semplice, economico e veloce rispetto ai metodi tradizionali di rilevamento dei patogeni.
Attraverso immagini digitali di lattuga romana, il software abilitato all’AI è stato in grado di rilevare e identificare microcolonie batteriche, dimostrando un’elevata precisione (si parla di una precisione media del 94%.) nell‘identificare campioni contaminati da Eschirichia Coli in tempi per altro molto ridotti rispetto ad altre metodologie.
Questo significa introdurre nuove capacità per le aziende del settore alimentare di identificare e intervenire rapidamente contro le contaminazioni, riducendo significativamente i tempi di attesa associati ai metodi di rilevamento basati sulla coltura microbica.
Che cosa è YOLO
Acronimo di “You Only Look Once“, è una metodologia nel campo del rilevamento di oggetti nella visione artificiale. Contrariamente ai metodi tradizionali di rilevamento, che spesso si basano su architetture in due fasi – che prima identificano regioni di interesse e poi le classificano – YOLO introduce un’architettura in un’unica fase.
Questo modello elabora l’intera immagine in un singolo passaggio, per prevedere contemporaneamente le bounding box (riquadri di limitazione) e le probabilità delle classi degli oggetti presenti.
Tale approccio end-to-end non solo semplifica il flusso di rilevamento, ma consente anche prestazioni in tempo reale mantenendo un’accuratezza competitiva, rendendolo efficace per applicazioni come la guida autonoma, la sorveglianza e la robotica.
Le versioni di YOLO si sono succedute nel tempo, con YOLOv3, YOLOv4 e YOLOv5 che introducono, rispettivamente, miglioramenti significativi in termini di rilevamento multi-scala, architetture avanzate per l’estrazione delle caratteristiche e tecniche di ottimizzazione per migliorare l’efficienza inferenziale.
I suoi vantaggi includono la capacità di eseguire il rilevamento degli oggetti in tempo reale, una maggiore semplicità grazie al suo approccio end-to-end, un’elevata efficienza computazionale che equilibra accuratamente l’accuratezza con i requisiti di calcolo, e una buona generalizzazione attraverso varie classi di oggetti e scenari di rilevamento, rendendolo adatto a una vasta gamma di applicazioni pratiche.
Come funziona la sperimentazione con YOLO
Come detto, lo studio aveva l’obiettivo di sviluppare un metodo rapido per la rilevazione dei batteri che fosse semplice da attuare, utilizzando tecniche di coltivazione batterica standard e imaging microscopico, strumenti comunemente disponibili nell’industria alimentare. Il metodo si basa sull’analisi, abilitata dall’intelligenza artificiale, delle differenze morfologiche tra microcolonie batteriche. Due le fasi della sperimentazione.
Incubazione delle microcolonie e imaging con luce bianca
In questa fase, si monitora la dinamica di crescita di Eschirchia Coli tramite microscopia a contrasto di fase, per determinare il tempo di incubazione appropriato per la rilevazione delle microcolonie.
È stato osservato che una singola cellula batterica attaccata alla superficie forma una microcolonia di migliaia di cellule entro cinque ore. Durante la crescita, le microcolonie subiscono diversi cambiamenti morfologici, come l’allungamento longitudinale lungo un asse comune e l’espansione anisotropica a causa delle tensioni meccaniche tra le cellule figlie.
Successivamente, le cellule si espandono in tutte le direzioni, formando microcolonie più isotropiche e circolari. Dopo circa tre ore dall’inizio della crescita della microcolonia, si osserva una transizione dimensionale da un monolayer a strutture multistrato, e la dimensione delle microcolonie aumenta seguendo un modello di crescita esponenziale.
Rilevamento in tempo reale utilizzando l’algoritmo di rilevamento e classificazione degli oggetti YOLOv4
Basandosi sui dati di crescita osservati, viene scelto un tempo di incubazione di tre ore per le microcolonie, poiché questo periodo offre una massa microbica maggiore e modelli di disposizione cellulare più complessi, che possono fornire caratteristiche aggiuntive per la classificazione dei batteri.
Inoltre, lo studio include un’analisi quantitativa della concentrazione batterica tramite l’imaging delle microcolonie. La ricerca ha, inoltre, sottolineato la capacità di YOLO di differenziare tra varie specie batteriche, compresi diversi ceppi di Eschirichia Coli, dimostrando dunque il potenziale dell’AI non solo nel rilevare, ma anche nel distinguere tra, diversi patogeni, offrendo un livello di specificità critico per la prevenzione efficace dei focolai.
Glimpses of Futures
Mentre l’industria alimentare esplora l’integrazione dell’AI nei suoi sistemi di sicurezza, l’adozione di tecnologie come YOLO promette di elevare i livelli di sicurezza alimentare.
Questi strumenti non solo possono automatizzare le ispezioni di sicurezza, ma anche fornire ai consumatori maggiore fiducia nella sicurezza degli alimenti che consumano. Tuttavia, il cammino verso un’ampia implementazione richiederà collaborazione tra ricercatori, industria e regolatori, oltre a un impegno continuo nella ricerca e sviluppo per superare le sfide esistenti e sfruttare appieno le potenzialità dell’AI nella prevenzione delle malattie trasmesse da alimenti.
Con l’obiettivo di anticipare scenari futuri e alternativi, proviamo ora a valutare – per mezzo della matrice STEPS – i possibili impatti che l’evoluzione delle tecniche AI applicate alla sicurezza alimentare potrebbero avere sotto il profilo sociale, tecnologico, economico, politico e della sostenibilità.
S – SOCIAL: in tutto il mondo, la sicurezza alimentare è garantita dagli sforzi collettivi di tutti gli attori coinvolti nella catena di approvvigionamento alimentare: le autorità nazionali stabilendo linee guida e standard rilevanti, i produttori alimentari adottando buone pratiche, gli operatori commerciali rispettando le normative e i consumatori essendo consapevoli delle pratiche sicure di manipolazione degli alimenti. È, dunque, una responsabilità condivisa. Man mano che i sistemi agroalimentari evolvono e rispondono a sfide crescenti, la sicurezza alimentare deve mantenere il passo con i cambiamenti in atto. Politiche, linee guida, standard e regolamenti relativi alla sicurezza alimentare devono essere aggiornati o ulteriormente sviluppati per riflettere le esigenze mutevoli all’interno del sistema attuale. Gestire le carenze critiche nella sicurezza alimentare favorirà l’efficienza e la resilienza dei sistemi agroalimentari e, in ultima analisi, aiuterà a raggiungere la sicurezza alimentare, garantendo al contempo la salute pubblica globale.
T – TECHNOLOGICAL: l’implementazione di sistemi AI come YOLO nell’industria alimentare ha il potenziale di rivoluzionare la catena di distribuzione, permettendo un’identificazione e un intervento rapidi, in grado di prevenire la distribuzione di alimenti contaminati. Questo significa che i prodotti possono essere testati e confermati sicuri per il consumo molto più rapidamente, riducendo il rischio di epidemie e migliorando l’efficienza operativa delle aziende alimentari. Serve, però, un approccio interdisciplinare che unisca competenze in microbiologia, ingegneria, informatica e scienze alimentari.
E – ECONOMIC: la penetrazione relativamente bassa dell’IA nella sicurezza alimentare sembra essere dovuta, da un lato, alla limitata disponibilità di dati necessari per sviluppare e implementare gli strumenti di IA per le applicazioni di sicurezza alimentare, con le principali limitazioni (a) la bassa velocità e l’alto costo della raccolta dei dati microbici e (b) la limitata condivisione dei dati microbici, a causa delle preoccupazioni dell’industria sulla privacy dei dati e sul rischio commerciale e di reputazione che potrebbe essere associato alla condivisione dei dati. In alcuni casi, le parti interessate dell’industria alimentare possono essere riluttanti a sviluppare e adottare tecnologie di IA per la sicurezza alimentare, nel timore che questi strumenti possano avere un impatto negativo sui loro interessi commerciali. Questa preoccupazione non si limita solo alla condivisione dei dati che potrebbe essere necessaria, ma può anche estendersi al timore che gli strumenti di IA, se disponibili ad altri, possano essere utilizzati per prevedere se una specifica azienda (ad esempio, l’azienda che ha fornito i dati per lo sviluppo dello strumento) abbia un rischio maggiore per la sicurezza alimentare. La mancanza di un quadro giuridico e normativo chiaro in merito alle applicazioni dell’IA e alla protezione dei dati sensibili necessari per alimentare tali applicazioni può aggravare queste preoccupazioni.
P – POLITICAL: con oltre 800 milioni di persone in tutto il mondo che soffrono regolarmente della mancanza di cibo adeguato e sano per la loro vita, la sicurezza alimentare è un problema globale, destinato a intensificarsi a causa della forte instabilità politica e della debolezza di molte Istituzioni. Secondo lo studio “The Impact of Political Risk and Institutions on Food Security”, conflitti interni ed esterni, condizioni socio-economiche, corruzione, presenza militare nella politica, tensioni religiose, tensioni etniche e scarsa qualità della burocrazia peggiorano la sicurezza alimentare nei paesi sviluppati e in via di sviluppo. Mentre, la stabilità governativa, il ruolo della legge e dell’ordine, la responsabilità democratica e il profilo degli investimenti influenzano positivamente e significativamente l’approvvigionamento alimentare.
S – SUSTAINABILITY: sicurezza alimentare e sostenibilità vanno di pari passo. I numerosi esempi di focolai e richiami su larga scala, che coinvolgono prodotti che vanno dalle verdure a foglia alla carne ai frutti di bosco, comportano la rimozione dal mercato di milioni di libbre di prodotto, che vengono poi distrutti, solitamente in discariche. Secondo le informazioni disponibili dall’EPA (Environmental Protection Agency) statunitense, il 75 per cento di tutti i rifiuti alimentari finisce in discariche, il 18 per cento viene combusto con recupero energetico e solo il 6 percento viene compostato. La sostenibilità, come la sicurezza alimentare, abbraccia l’intera catena di approvvigionamento e tutti coloro che sono coinvolti nella produzione alimentare possono implementare pratiche sostenibili. Questo va dall’agricoltura di produzione all’uso di risorse naturali e sintetiche, lungo tutta la catena di approvvigionamento durante la produzione e la lavorazione, fino ai livelli di vendita al dettaglio e consumo, con compostaggio, imballaggio, riciclaggio e molte altre pratiche utilizzate per soddisfare le future esigenze di produzione.